文 · 元年研究院《数据驱动型企业经营管理模式创新》课题组

一、引言

当前，数据已成为实现经济高质量增长的关键要素，最大化释放数据要素的价值是数字经济时代的重点。2021年3月发布的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中明确提出要“激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革”。2022年1月发布的《“十四五”数字经济发展规划》中指出“协同推进技术、模式、业态和制度创新，切实用好数据要素，将为经济社会数字化发展带来强劲动力”，并明确提出“支持有条件的大型企业打造一体化数字平台，全面整合企业内部信息系统，强化全流程数据贯通，加快全价值链业务协同，形成数据驱动的智能决策能力”“实施中小企业数字化赋能专项行动”等，为数据要素价值释放、构建数据驱动型企业提供了重要的政策引领。围绕数据进行深度的价值挖掘，用数据全方位地驱动企业的发展成为数字经济时代企业实现可持续健康发展的关键课题。

人机协同思想诞生于工业时代，强调人与机器在劳动层面的协作关系。本文基于数字化时代人与智能系统共存共生的背景，多维度、立体地对数据驱动的内涵和价值进行阐释，通过构建数据驱动的概念框架，科学设计数据驱动的能力建设体系和配套保障体系，以助力企业更好地释放数据要素潜能，高效实现数据驱动。

二、文献综述

在数据驱动方面，对数据驱动（data driven）的早期研究源于计算机架构设计。Treleaven（1985）基于数据驱动标记的机器架构设计，使其拥有更好的性能和新颖的并行控制机制。近几年，随着新一代信息技术的快速发展，数据驱动的相关研究从自然科学领域延伸至社会科学领域。维基百科对数据驱动的定义是：数据驱动指的是流程中的行为是被数据驱动而不是被人的直觉和经验驱动的。全国科学技术名词审定委员会（2011）提出：“数据驱动是一种问题求解方法。从初始的数据或观测值出发，运用启发式规则，寻找和建立内部特征之间的关系，从而发现一些定理或定律。”Carl Anderson（2015）提出，数据驱动指的是创建数据分析工具、培养数据分析能力，以及最重要的，创建依据数据进行决策和行动的文化。Jennifer Zaino（2019）认为“数据为数字化转型提供动力，而不仅仅是为报告提供信息并支持商业智能”，并提出数据驱动“是一种结合了成功的数据存储、建模、可用性和技术的决策方法”。Matthew Baird（2019）指出，数据驱动利用现有的运营和客户数据以及外部数据源进行战术和战略决策。Anna Visvizi等（2021）认为，数据驱动意味着数据将被视为复杂商业环境下更有效决策的动力。李少帅、孙丽文（2021）提出：数据驱动将采集到的海量数据进行组织以形成信息流，并经过训练和拟合形成自动化的决策模型，从而在数据支撑或指导下进行科学而精准的行动。在人机协同方面，Rosenfeld A.和Richardson A.（2019）提出以人为中心的视角，强调人在多大程度上能够将智能系统的逻辑解释给人的可解释性，是更能直接影响人机智能协同的因素。孙效华、张义文等（2020）总结了人机交互演进的三个阶段，提出了技术视角下人机智能协同的关键问题，包括人机能动性分配、动态学习和修正、情境自适应及主动响应模式等，并指出了人机智能协同全方位、多类型及体系化的发展趋势。

从现有文献看，国内外学者和企业对数据虽尚未提出内容清晰、路径明确的数据驱动概念，但在论及数据驱动时，都离不开以下关键词：数据、模型、价值、决策和行动。数据是数据驱动的基础，模型是利用数据的方法和手段，是数据从简单反映客观情况跨越到数据分析、数据洞察的基础。数据驱动的是决策和行动，但具体而言，数据在这一过程中起的是“支持”作用、“支撑”作用，还是“引擎”作用则大有不同；国内文献更多将数据驱动视为“支撑和指导决策和行动”，国外文献对数据驱动的理解则强调了动力和实时。数据驱动在企业决策和行动中的定位，无疑是理解数据驱动、发挥数据驱动最大效力的关键。在人机协同方面，国内外学者普遍认为人机协同将向人机共生的更高融合形式发展，并从不同视角对人机协同所涉及的定位问题、技术问题以及机制问题等进行了研究探讨。整体上看，目前对促进人机协同的看法都是需要综合全方位的因素，通过智能算法来实现人机的配合，实现人的决策与智能算法高度融合。

三、数据驱动的内函辨析

数据和模型是数据驱动的基本前提，数据价值的利用和发挥是数据驱动的目标。辨析和明确数据驱动内核要解决的主要问题，就是数据驱动在企业决策和行动中到底扮演什么角色，数据驱动的作用方式、作用过程和应用场景。因此，我们将从对这几个问题的分析和解决入手，对数据驱动的内涵进行辨析，为数据驱动概念框架的提出做铺垫。

（一）数据驱动是以数据支撑的，能根据用户需求自助地决策和行动

以一个简单的例子作为说明：假设有A 和 B两家订票网站，A 公司将从网站采集到的数据进行分析，通过数据分析结果认为五一是出行高峰，于是决定抬高价格，并手动从后台调整了五一前后的机票价格和酒店价格，这就是以“数据为中心进行决策”。B公司通过自动化手段实时采集、分析相关信息，总结规律，形成智能模型，当用户进行搜索时，后台自动根据模型规则，对价格进行调整，这是数据驱动。在A公司中，数据和系统处于被动地位，人机属于简单互动，数据更多的是呈现客观事实或根据分析需要简单加工，在B公司的人机交互过程中，数据实际上形成了一个“自助池”，能根据用户需求和习惯主动自动地进行决策和行动，故此它不仅仅是“以数据为中心进行决策”。

（二）数据驱动是一个闭环

在一个真正的数据驱动型企业，企业应拥有一套闭环的数据价值体系。数据价值体系指的是一套完整的从数据采集、整理、报告到创造价值的流程。

从人类驱动各类行为的路径出发，可以思考数据驱动的作用过程，从而对数据价值体系的全貌进行阐释。首先，人体全面感知周围的信息；其次，大脑对基于感官采集的各类信息进行加工分析、洞察决策；再次，在选择好执行方案后，协调手足、语言等开展执行；从次，在执行过程中随时对执行情况进行监控、分析和评价，及时做出改进；最后，将执行结果反馈给大脑中枢。数据驱动的价值体系落实到操作层面亦大抵如此：通过对数据的采集、整理、提炼，总结出规律，形成一套智能模型，之后通过人工协同的方式做出决策，在人机协同的工作方式下直接驱动行动的快速执行，最终将决策和行动数据化并进行反馈。

完整的数据价值体系分为6个环节（见图1）：数据采集、数据治理、数据建模、智能决策、指挥执行、反馈改进。数据采集环节是数据驱动的起点，是创造数据、重构系统和建立连接的过程；数据治理环节是数据标准化、数据资产化的过程；数据建模环节是通过建模，将数据转化为结构化的知识的过程；智能决策是自动化、智能化地开展数据洞察，推动业务和管理决策的过程；指挥执行是用决策的结果直接驱动业务活动的过程，包括下达任务指令、监控执行过程、分析执行结果、评价执行效果等一系列活动，确保数据驱动价值的实现；反馈改进是系统结合决策和执行中的反馈情况，通过深度学习算法去自动修正和完善的过程，最终形成一个动态的、自主发展的闭环。

图1 数据驱动闭环

（三）数据驱动与人机协同模式紧密关联

“数据+AI”是数据驱动的核心要素。万物互联时代的到来，表明多元互联互通的实现成为可能，极大扩展了数据的规模，提升了数据的质量。AI所具备的自主学习、自主决策、主动交互、情境感知等能力与特性，给数据驱动创造了更多更高层级的应用场景。AI的终极目标是“人机物”等多元协同共生。在数字化、智能化时代，企业在人机协同的工作方式下开展数据驱动成为常态。

郝宇晓等（2020）参考智能驾驶的L5模式，提出企业数据智能分析的L5模式：LEVEL1是辅助分析，实现自然语言交互方式的数据查询与探索，支持简单的通用计算模型。LEVEL2是部分自主分析，支持通用的分析模型，对特定场景进行数据计算、数据结果的查询常识性判断。LEVEL3是条件自主分析，基于知识图谱的推理能力，能代替人执行明确规则的数据监控和异常识别、溯因能力，具有对于特定领域的非结构化数据的自主处理能力。LEVEL4是高度自主分析，应用NLG技术完成对数据分析结果的解释，能主动进行数据挖掘和预测，能适用于大多数应用场景。LEVEL5是完全自主分析，机器在数据分析上达到专业人士同等水平，可以完全代替人类做出决策。

数据智能分析是“数据+AI”的核心体现。数据智能分析的L5模式同样适用于数据驱动的应用中。随着机器智能化程度和自主能力的增强，人机协同的数据驱动有不同层次的应用场景，是一个“人的参与渐次减弱，机器的参与渐次增强”的体系。

四、人机协同视角下的数据驱动的框架构建

基于上述分析，为更清晰地展现数据驱动在企业的发生过程，我们结合数据驱动在企业从发生动因到应用路径的传导机制，进一步梳理出理解数据驱动概念和内涵的五大关键要素，分别是：服务对象、需求动机、应用场景、模型、数据。围绕这五大要素之间的勾稽关系，我们构建了数据驱动的分析框架（见图2） ，并以此为基础，从人机协同视角出发，对框架要素逐一进行描述，形成了数据驱动的概念框架（见图3）。

于术后12 h、24 h、36 h、48 h测定两组患者的疼痛视觉模拟评分（visual analogue scale，VAS），于术前、术后1 d、2 d、3 d、4 d测定两组患者的24项汉密尔顿抑郁评分（Hamilton depression scale，HDRS），于术前、术后1 d、3 d、5 d、7 d测定两组患者的匹兹堡睡眠质量指数（Pitsburgh Sleep Quality Index，PSQI）。

图2 数据驱动的分析框架

图3 数据驱动的概念框架

因此，该概念框架包含了以下五个方面。

（一）服务对象覆盖各层级管理决策人员

服务对象即“人机协同”中的人。数据驱动的服务对象既包括企业高层决策者、从集团到部门的中层管理人员，又包括销售、生产、采购、研发、质控等各个经营环节的业务执行人员。这些服务对象既是数据的使用者又是提供者，以自身不同的关注点对系统提出需求，通过需求传导，在具体场景形成基本的人机互动，并逐步上升到人机协同和人机融合。

（二）以需求动机作为人机协同传导链条

与服务对象相对应，需求动机分为企业决策层的战略需求、管理层的管理需求以及执行层解决具体业务问题的需求。需求作为人机协同的传导链条，不同层次的需求动机将对应不同层次的数据驱动应用场景。事实上，在数据驱动发展至今的过程中，低层级的需求一直存在，只是逐步向高层级发展，这就要求在构建数据驱动概念时，应持有发展动态的原则，结合人机协同的发展，尽可能完整体现数据驱动的全貌。

（三）匹配不同层次的数据驱动应用场景

找到高价值的应用场景是数据驱动的前提和核心。数据驱动的应用场景，实际上对应的是服务对象不断发展的从低到高的需求，层级的高低则是由人机协同的程度来体现。具体而言：

第一层是呈现，核心是要你看见，即将数据结果呈现给用户，只反映客观事实，不做判断，典型应用场景如数据报表。在这个层级上的数据驱动未形成人机协同，仅有简单的人机交互。

第二层是预警，核心是助你分辨，即基于数据判断好坏优劣，典型应用场景如红绿灯、仪表盘。在这一层级上，系统已开始进行数据的处理分析，并能协助用户进行数据判断，人机交互程度进一步提高，但数据分析判断过于简单，仍未达到人机协同的程度。

第三层是建议，核心是帮你抉择，即基于数据做出行动建议，如商品选择、抖音推荐。这一层级在一定程度上已经开始出现人机协同，与传统的工具不同，信息系统可以运行设定好的模型算法，针对用户的输入执行相应的命令，做出预设性的建议，人与数字系统的交互是双向、多重的，并且可以形成多轮开放式对话，但做最终决策的仍然是人，系统仍处于被动地位。

第四层是决策，核心是替你决断，即基于数据自动决策和执行，如银行贷款等，依托智能系统，数据驱动场景正式进入人机协同阶段，智能系统具有情境感知、自适应学习、自主决策及主动交互与协同等关键特征。当人与具备这些特征的智能系统进行交互时，仿佛是与合作伙伴或者队友打交道，开始选择性地将经营管理事务交由系统自动决策和执行。在此过程中，人和系统互相双向学习，推动着人机交互向人机智能协同发生深刻的转变。

第五层是融贯，核心是虚实合一，即将虚拟与实际打通，在人机智能得到充分融合的条件下，人机协同将向人机融合转变，人与机器的共生关系将在信息传递、信息处理及决策执行等方面得到全方位的充分体现。以元宇宙为例，用户通过元宇宙基础设施和超级VR技术让自己全身心地成为元宇宙的一分子（Cyborgs）。在混合虚拟现实技术的支持下，日益人性化的人机互动界面导致网下与网络空间的不断重合，网络空间就是现实空间，现实空间亦是网络空间。数据驱动下的决策也将难分是完全由机器做出还是由人做出，机器和数据已经成为现实人不可分割的部分。

（四）构建自动优化的AI模型和业务模型

数据驱动的不同层次场景、人机协同的不同程度，需要依靠模型来构建。企业数据驱动场景下的模型主要有两类：一类是AI模型，包括线性回归、逻辑回归、线性判别分析、决策树、学习矢量量化、深度神经网络等。为解决各类数据处理问题提供科学的算法，并可以基于机器人的自适应学习机制持续自主地进行模型更新。另一类是业务模型。基于数据+算法+算力，企业通过将业务过程抽象化、数据化，开展数据建模，形成覆盖从研发、制造、供应链、物流、市场、销售等环节的全链路的多维业务模型。这些模型沉淀在系统中成为知识，多向共享赋能不同业务场景中的数据应用，并在此过程中自动进行优化和迭代。

（五）夯实海量实时多维共享的数据基础

数据是物理世界在数字化世界中的投影，是数据驱动的基础，也是使机器获得智能的钥匙。数据信息日益丰富，甚至日益广泛且深入地渗透进我们的生活中。数据量的提升、数据时效性的加强、数据来源复杂化、数据维度多元化、数据共享化，为数据驱动提供了大量、实时、多维、贯通和定制化的生产要素，让数据驱动向全场景渗透。

五、人机协同视角下数据驱动在企业的功能实现

从前述数据驱动的内涵辨析及概念框架不难看出：数据驱动通过自动化手段实时采集、分析相关信息，形成智能模型，基于人机协同的工作方式主动赋能科学决策、开展相关行动并形成数据反馈。在数字化、智能化时代，构建数据价值体系，打造数据驱动型企业成为决定企业生存和发展的关键问题。

（一）明确数据驱动型企业的能力框架

在人与机器协同共生的背景下，企业基于系统将业务问题转化为数据问题，应用AI技术提高系统的智能化水平和人机共生程度，构建起企业的一个“数字孪生”，使企业发起的每个业务需求都在平台上形成“镜像”，每一笔业务都留下数据痕迹。数据流与业务流相互融合，业务流不断产生新的数据，更新数据流；数据流不断带来新的洞见，形成和优化决策，实时监控和指挥业务执行。在这一过程中，企业日益成为可感知、会思考、能一体化协同执行的智能体，具备全面感知、前瞻洞察、科学决策和闭环指挥四大能力（见图4）。同时，企业经营管理模式将随之发生改变，呈现如下五大特点：一是自动化、少人化。现在企业的运营管理以流程驱动为主，业务的各环节主要由人工进行干预。数据驱动型企业以数据驱动为主，业务各环节都将是少人或无人干预的管理。二是敏捷化、适变性。现在的企业集中管控、流程冗长、一管就僵化、一放就散，即便是做了大量的制度流程和标准化工作，高层管理者还是为此头疼不已。数据驱动型企业通过授权前移，让听得见炮火的士兵来做决策。同时，在此过程中所有的业务过程数据被跟踪记录下来，实现业务活动的敏捷性和业务的可控性。三是数据导向，规则导向。现在的管理决策依赖“能人”的经验和观点进行决策，数据驱动型企业主要基于数据和规则进行科学决策。四是用数据驱动决策和业务的快速执行。现在的企业用数据为管理决策提供支撑，数据驱动型企业能够在不同的业务场景中用数据直接驱动业务快速执行。五是主动服务。现在的企业主要基于数据层层汇总加工的模式开展统计式汇报，高层管理者难以及时掌握真实的业务信息。数据驱动型企业将实现业务风险的主动预警，以及事前和事中的及时纠偏。

图4 数据驱动型企业能力框架

（二）构建数据驱动型企业的大脑中枢

感知、洞察、决策、指挥能力要想成为现实，核心就是要重构经营管理体系，建立数智化经营管理闭环，主要是建设作为大脑中枢的数智运营中心（逻辑架构如图5所示），开展人机一体化协同执行的数智化管理，推动数据驱动的功能实现。

图5 数智运营中心的逻辑架构

1.搭建作为技术和数据底座的数据平台。数据平台提供数据从采集、治理、加工、资产、服务等全过程的平台能力，是企业实现数智运营管理模式的技术和数据基础。企业通过构建数据平台打通数据壁垒，汇聚多源数据，实现全方位、全过程、全领域的数据实时流动与共享；构建数据治理体系，实现数据标准化和数据资产化；基于数据平台提供的AI能力，包括RPA引擎、AI分析引擎、可视化引擎、知识图谱、算法管理引擎等子系统，企业能够开展数据建模、数据加工、智能分析、数据挖掘和数据模拟预测等，形成有价值的数据资产和服务化的数据应用。

2.确定数智运营相关规则。建立数智运营中心的规则体系，对与业务管理紧密相关的政策、规定、策略等进行数字化转化，形成数字化管理的基础规则库，以及基于知识图谱的知识库和指标库。定规则过程体现了经营规则集中管控的能力，将企业经营过程中积累的经营问题、策略方案、管理方法等知识进行数字化沉淀，是企业经营管理逐步走向数智化不可或缺的经验库。

3.开展业务全程实时监控。以规则体系中的各项规则为比对标准，基于分析模型和分析工具自动化实时开展业务过程中的数据监控和探索，全面描绘企业运行状态，发现经营异常、业务问题和运营风险，可以做到对业务动态的实时可视化捕获和对经营风险的主动预警，让经营管理层看清业务全过程。监控过程中系统执行指标、展现、预警等主要功能，体现了全面感知的能力。

4.实施自动化建议和判断。对于在经营过程中预警的经营风险，通过数据和算法匹配知识库中的解决方案，开展模拟测算，形成多种可选择的方案或策略，赋能经营管理决策，让整个经营过程更加平稳运行。建议和判断过程体系包括模型、计算、方案等主要功能，体现了前瞻洞察及科学决策能力。

5.任务执行形成反馈闭环。企业经由系统自动化建议和判断形成的最终方案策略基于任务执行过程自动下达到各业务系统，触发相关业务流程，实现信息传递的零失真，决策到执行的自动化，形成自动运营的业务闭环，保证决策与执行完全一致。任务执行过程包括协同、行动、指挥等主要功能，体现了闭环指挥的能力。

（三）数智运营中心的场景化应用：以供应链金融中的财务风险防控为例

在具体的业务经营过程中，企业通过数智运营中心，基于数据发现问题，提出预警并直接驱动采取相应的行动，能够全面推动数据驱动在经营中的功能实现。本文以供应链金融中的财务风险监控为管理场景为例说明。

实现供应链金融是很多企业开展的一项扩大销量的创新业务，为客户提供金融信贷支持，实现与客户互惠互利。在供应链金融业务中，风险控制是重中之重。数智运营中心通过风险自动识别、策略模拟及智能化推荐、决策自动化下达、持续跟踪风险策略，能够有效解决风险难发现、风险管控措施难决策、执行过程难跟踪、风险改善难量化等问题。现以某开展供应链金融的企业为例。（1）数据平台：在数据基础平台中整合客户交易、企业经营、市场动态等数据，与企业合作的银行、担保公司、大数据公司等外部数据一起进行风险监控，并建立了大量业务风险AI模型。（2）定规则：开展AI模型检测、判断数据风险指标，及时发现业务过程中的风险指标。（3）监控：实时、动态地反馈风险信息，将风险信息以信息卡片的形式推送给相关财务人员，实现以最短时间、最高效率、最低成本为财务人员预警风险客户和风险业务。（4）建议和判断：针对系统推送过来的相关风险信息，根据风险类型、风险等级、风险属性等信息，在系统中提取相关管理规则，开展多场景风险推演及模拟，基于管理规则进行定量评估计算，获得定量化、图形化的多版本决策建议清单，支持管理者在多种决策方案间进行实时推演、过程对比和综合分析，实现决策简单化、定量化、自动化。（5）任务执行与闭环反馈：在决策下达过程中，系统向各业务系统发送动作信息。如：通知金融机构实时调整客户授信额度、向ERP下达业务交易冻结指令、向CRM系统下达业务员工作指令等。同时，系统持续跟踪风险事件的发展过程，对执行过程进行持续监督和评估，判断执行过程是否存在偏差，以及提供实时的信息反馈。在风险事件完结后，数智运营中心沉淀了大量的管理规则，形成该公司面向未来的决策知识库，进一步提升了公司管理决策的智能化、自动化能力。

六、结束语

以数据全方位驱动企业发展，已成为数字经济时代企业塑造核心竞争力的关键。随着人机协同程度的日益提高，数据不再只是用来被动支持决策的工具。依托数据采集—数据治理—数据建模—智能决策—指挥执行—反馈改进的数据驱动闭环，数据可以直接赋能企业业务，推动企业数字化转型。本文从人机协同视角出发，构建了包含服务对象、需求动机、应用场景、模型、数据五要素的数据驱动概念框架，进一步明确了数据驱动的内涵，并从明确能力框架和构建数智运营中心两方面为数据驱动型企业提出了建议，并描绘了供应链金融财务风险防控具体场景。本文提炼出企业智能运营中心或将逐渐成为新型智慧企业建设的核心要素之一，是未来智慧型企业的核心基础设施及载体。